原创 【Scala】object、class、trait的區別
現象： 打開idea，構建scala文件時，會出現object、class、trait三個選項，怎麼選？有什麼區別？在回顧之前寫的一些代碼時，模仿別的工程建設相應的文件，但不知所以然，今天來總結總結。 簡單點說：執行入口用object，
2020-06-10 22:06:03
原创 【LeetCode】乘積最大子數組(動態規劃)
LeetCode152. 乘積最大子數組。 題目： 給你一個整數數組 nums ，請你找出數組中乘積最大的連續子數組（該子數組中至少包含一個數字），並返回該子數組所對應的乘積。 例子： 輸入: [2,3,-2,4] 輸出: 6 解釋:
2020-06-10 00:03:16
原创 【LeetCode】楊輝三角
LeetCode118. 楊輝三角 題目描述： 給定一個非負整數 numRows，生成楊輝三角的前 numRows 行。 例子： 輸入: 5 輸出: [ [1], [1,1], [1,2,1], [1,3,3
2020-06-10 00:03:16
原创 【LeetCode】島嶼數量(DFS深度優先搜索)--島嶼最大面積(DFS)
LeetCode第200題孤島數量，題目地址。 題目描述： 給你一個由 '1'（陸地）和 '0'（水）組成的的二維網格，請你計算網格中島嶼的數量。 島嶼總是被水包圍，並且每座島嶼只能由水平方向或豎直方向上相鄰的陸地連接形成。 此外，你可以
2020-06-10 00:03:16
原创 【Spark】計算兩個文件中每一行的相似度，並返回top10
背景： 在向量大火的行情下，不管是召回還是精排，user和item的相似度計算，必不可少；很多情況下，爲了節省線上加載計算的時間，會將user和item的向量，離線計算好，放到存儲系統中，線上使用的時候，直接通過KV的形式讀取。(沒有AB
2020-06-10 00:03:16
原创 【LeetCode】最大子數組和(動態規劃、分治法)
LeetCode第53題地址。 題目描述： 給定一個整數數組 nums ，找到一個具有最大和的連續子數組（子數組最少包含一個元素），返回其最大和。 例子： 輸入: [-2,1,-3,4,-1,2,1,-5,4], 輸出: 6 解釋: 連
2020-06-06 12:31:04
原创 【LeetCode】最長遞增子序列(動態規劃、二分查找)
LeetCode第300題題目地址。 題目描述： 給定一個無序的整數數組，找到其中最長上升子序列的長度。 例子： 輸入: [10,9,2,5,3,7,101,18] 輸出: 4 解釋: 最長的上升子序列是 [2,3,7,101]，它的
2020-06-06 12:31:03
原创 【LeetCode】零錢兌換(動態規劃、回溯法)
LeetCode第322題鏈接。 題目描述: 給定不同面額的硬幣 coins 和一個總金額 amount。編寫一個函數來計算可以湊成總金額所需的最少的硬幣個數。如果沒有任何一種硬幣組合能組成總金額，返回 -1。 例子： 輸入: coin
2020-06-03 08:50:26
原创 【矩陣分解七】論文閱讀MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS
總結：該論文將構造rating矩陣的多中種方式都講述了一遍。主要講ALS在優化參數時，優於SGD的方面，體現在對預測rui的組成部分的逼近。 introduction引言 推薦系統的基於兩個策略content filtering ，比如，
2020-06-01 01:05:02
4
原创 【矩陣分解三】BiasSVD
改進點(跟Funk-SVD比)： 一句話總結：在矩陣分解模型中，加入偏置(Bias)部分，也就是衡量商品和用戶自身的因素。原因：經過觀測，評分數據大部分都是和用戶或物品無關的因素產生的效果，即有很大一部分因素是和用戶對物品的喜好無關而只取
2020-06-01 01:05:02
原创 【矩陣分解】優化方法-交替最小二乘ALS(Alternating Least Squares)
需要清楚，這裏的ALS是求解的方法，類似SGD，前面的SVD、Funk-SVD等方法，是構造了不同的損失函數。那麼損失函數怎麼求解得到參數解？ALS可以達到這一目的。 主要思想 在實際應用中，交替最小二乘更常用一些，這也是社交巨頭 Fac
2020-06-01 01:05:02
原创 【矩陣分解二】FunkSVD
改進點(跟SVD比)： 一句話總結改進點和優化點：改進SVD的計算效率問題、數據稀疏問題；將矩陣R分解爲兩個低維矩陣，通過重構的低維矩陣預測用戶對物品的評分，目標函數中加入正則，控制模型方差。 FunkSVD是在傳統SVD面臨計算效率問題
2020-06-01 01:05:02
原创 【矩陣分解四】SVD++
改進點(跟Funk-SVD比)： 一句話總結：SVD++算法在Bias-SVD算法上進一步做了增強，考慮用戶的隱式反饋。也就是在Pu上，添加用戶的偏好信息。 主要思想： 引入了隱式反饋和用戶屬性的信息，相當於引入了額外的信息源，這樣可以從
2020-06-01 01:05:02
原创 【矩陣分解一】奇異值分解SVD(Singular Value Decomposition)
推薦場景下，矩陣分解方法：SVD、FunkSVD、BiasSVD、SVD++、ALS。 本篇內容主要介紹SVD，包含：EVD、SVD、SVD在推薦中的應用demo； 1.基於矩陣分解推薦算法的背景 矩陣分解模型在推薦系統中有非常不錯的表現
2020-06-01 01:05:02
1
原创 【矩陣分解八】矩陣分解的優缺點及其高級演化
矩陣分解推薦算法的優點 矩陣分解結合了隱語義和機器學習的特性，能夠挖掘更深層的用戶和物品間的聯繫，因此預測的精度比較高，預測準確率要高於基於鄰域的協同過濾以及基於內容的推薦算法； 比較容易編程實現，隨機梯度下降法和交替最小二乘法均可訓練出
2020-06-01 01:05:02